本研究使用离散序列建模方法模拟基于驾驶日志的动态驾驶场景，通过数据驱动分词方案将轨迹离散化，并使用编码器-解码器模型建模车辆、行人和骑车人的互动。实验结果显示该模型在真实性和互动度方面优于先前的工作，并在自动驾驶环境中表现出良好的性能。同时，对模型的可扩展性和交通建模任务的重要性进行了评估。

本研究使用离散序列建模方法模拟基于驾驶日志的动态驾驶场景，通过数据驱动分词方案将轨迹离散化，并使用编码器-解码器模型建模车辆、行人和骑车人的互动。实验结果显示该模型在真实性和互动度方面超越了先前的工作，同时也能快速适用于改进nuScenes的性能。模型的可扩展性评估和密度估计结果证明了交互对交通建模任务的重要性。

该研究使用离散序列建模方法模拟驾驶日志的动态驾驶场景，通过数据驱动分词方案将轨迹离散化，并使用编码器-解码器模型建模车辆、行人和骑车人的互动。实验结果显示该模型在真实性和互动度方面优于其他模型，可用于改进自动驾驶性能。同时，对模型参数和数据集规模进行了评估，并量化了交通建模任务中上下文长度和时间间隔的重要性。

本研究使用离散序列建模方法模拟基于驾驶日志的动态驾驶场景，通过数据驱动分词方案将轨迹离散化，并使用编码器-解码器模型建模车辆、行人和骑车人的互动。实验结果显示该模型在真实性和互动度上超越了先前的工作，同时在自动驾驶环境中表现出良好的性能和可扩展性。

EmerNeRF是一种新的根据神经辐射场的办法，可以通过自监督学习生成动态驾驶场景，提高重建精度和场景细节保留。EmerNeRF不需要人工标示或外部模型，可大规模生成和修改驾驭数据，适用于端到端驾驭、主动符号和模仿等领域。